[发明专利]短文本内容分类方法和系统

说明书

本发明公开了一种短文本内容分类方法，其包括：取得社交网络平台的短文本内容；取得该短文本内容的上下文情感特征值和先验情感特征值；使用模型训练生成该短文本内容的词向量；利用多窗口卷积操作来取得不同粒度的该短文本内容的语义关系，并组合池化操作而从不同层次对该短文本内容的语义表示进行抽象化；使用双向长短时记忆网络获得该短文本内容的语义表征；以及组合不同层次的情感特征向量并取得输出向量，使用函数对该输出向量进行计算以取得该短文本内容属于一或多个内容类别的概率值，并将该概率值为最大的该内容类别作为该短文本内容的类别。本发明还公开了一种短文本内容分类系统，可实现前述的短文本内容分类方法。

技术领域

本发明涉及信息处理技术领域，并且特别涉及一种基于深度神经网络的短文本内容分类方法和系统。

背景技术

以微博为代表的新兴社交媒体已经成为广大网络用户获取新闻资讯、社会交往、自我表达、分享观点、传播信息和社会参与的重要媒介，因而成为社会公共舆论、企业品牌和产品推广和传统媒体传播的主要平台。截止2017年9月，全球性的微博服务站点Twitter的月活跃用户达到3.3亿，而中文微博平台新浪微博的月度活跃用户数达到3.76亿、日活跃用户达到1.65亿。数以亿计的活跃用户来自不同的社会文化背景且遍布全球，每时每刻都在生成大量包含用户的意见和情绪的文本信息。

潜在用户会通过阅读这些具有主观色彩的信息来了解大众舆论对于某一事件或产品的看法，因此针对特定应用需求来识别、分析和挖掘微博中所包含的有价值的用户情感、态度和意见信息，是当前互联网信息处理、数据挖掘、计算语言学等领域的一个热点研究问题，在政府管理、企业品牌和产品营销、消费者个体利益等方面均具有极其重要的意义。

然而，由于微博的文本短小、语法结构不完整、而且其中的表述随意和充斥噪声，使得微博文本的分类面临极大的挑战。现有的分类方式主要是采用人工方式来构建分类特征，而分类特征多使用词袋模型，难以刻画词序信息，且面临了维数爆炸和数据稀疏的问题。此外，微博的文本经常出现“明褒暗贬”或隐式的表述方式，而人工构建特征的方式难以发现和描述这类隐含的语义关系。

发明内容

本发明提出了一种短文本内容分类方法和系统，避免了维数爆炸和数据稀疏的问题，并有效地提升了短文本内容的分类性能。

在一个方面，提出了一种短文本内容分类方法，其包括：取得社交网络平台的短文本内容；取得该短文本内容的上下文情感特征值和先验情感特征值；使用模型训练生成该短文本内容的词向量和分类特征向量；利用多窗口卷积操作来取得不同粒度的该短文本内容的语义关系，并组合池化操作而从不同层次对该短文本内容的语义表示进行抽象化；使用双向长短时记忆网络获得该短文本内容的语义表征；以及组合不同层次的情感特征向量并取得输出向量，使用函数对该输出向量进行计算以取得该短文本内容属于一或多个内容类别的概率值，并将该概率值为最大的该内容类别作为该短文本内容的类别。

在一些具体实施例中，生成该短文本内容的上下文情感特征值向量t_c；以及生成该短文本内容的先验情感特征值向量SenScore(t)。